Neural Networks'in Uygulaması Nonlinear Kontrol Sorunları Kontrol Sorunları
Nonlinear Control Networks'e Giriş
Robotik, havacılık, otomotiv, süreç endüstrileri ve özerk sistemler arasındaki modern mühendislik problemlerini tersine çevirmek, doğrusal olmayan bir sistemin çıktısı, [[0) girdilerine göre anlamlı değil (Dönetici) bu zorluklara karşı çıkmak için dönüştürücü bir araç olarak ortaya çıktı.Bu karmaşıklık, genel olarak PID veya devlet besleme kontrol cihazları veya işletme dışı bir çalışma bölgesinin dışına uygulandığında doğrudan öğrenme yetenekleri gibi.
Neural ağları özellikle çekicidir, çünkü sistem dinamiklerini online veya çevrimdışı olarak öğrenerek, sistemi takip eden denetimleri adapte edebilir ve geleneksel yöntemlerin başarısız olduğu performansları koruyabilmektedir.Bu makale, doğrusal olmayan kontrol problemlerine ne kadar uygulanmış, ağır belirsiz veya zaman tasarrufu sağlar, mimarileri, stratejileri, eğitim yöntemlerini, gerçek dünya uygulamalarını ve devam eden açık zorlukları öğrenerek.
Nonlinear Control ve Neural Networks?
Nonlinear Systems'in Zorluğu
Lineer sistemler, birden fazla denge noktası, limit döngüleri, Bifurcations ve kaos gibi davranışları sergiler, stabilizasyon, izleme ve rahatsız edici reddedilme gibi hedefler çok daha zor hale gelir, çünkü sistem işletim koşulları ile ilgili olarak kimyasal reaksiyonlar, veya araç dinamikleri agresif manevralar sırasında - sistem bu noktada tatmin edici performanslar sağlayamaz.For systems with wide operating ranges or strong nonlinearities – like soft robotik kolları, kimyasal reaktörler gibi - diğer aşırı tepkileri ile ilgili olarak lineer olmayan etkiler - lineer bir performans sırasında - bir kontrol, veya araç dinamikleri garanti edilemez performans sağlar.
Dahası, birçok gerçek dünya bitkisi bilinmeyen veya kısmen bilinen dinamiklere sahiptir. İlk sermayeli model var olduğunda bile, parametre belirsizliği, modellenmemiş etkiler ve çevresel rahatsızlıklar, uyarlanabilir veya öğrenme tabanlı bir yaklaşım talep eder. Neural ağları bu bilinmeyen dinamiklere ve sentezleyici kontrolörlere otomatik olarak ayarlandığında bir veriye dayalı yol sunar.
Neural Networks?
Neural ağları, doğrusal olmayan kontrol için olağanüstü uygun hale getiren birkaç özellike sahiptir:
- [FONT:0)Universal Approximasyon: En az bir gizli katmanla ve yeterli sayıda nöron, evrensel yaklaşımla kurulmuş olan her bir alanda sürekli bir işleve sahip olabilir.
- [FONT=0]Adaptability and Learning:[Dönetici: Denetimli, gözetimsiz veya güçlendirilmiş öğrenme sayesinde, sinir ağları, iç parametrelerini (seçmiş ve önyargıları) sistem dinamiklerinde değişiklikler yansıtacak şekilde güncelleyebilir.
- [FONT:0] Parallel Processing:[Dönetici:[Dönetici:0) Diskolegenin dağıtık doğası, örnekleme aralıklarının milisaniye kadar kısa olabileceğini gerçek zamanlı kontrol için kritik olan hızlı besleme değerlendirmelere izin verir.
- [FONT:0)Robustness to Gürültü: [Dön eğitim ile, sinir ağları kısmi veya bozulmuş verilerden ölçüm gürültüyü filtreleyebilir ve genel olarak, pratik sensör-to-actuator döngüleri için hayati bir özelliktir.
Bu özellikler, makine öğrenimi ve kontrol teorisinin kesişiminde zengin bir alan oluşturan, geniş bir araştırmayı desteklemektedir.
Kontrol için Core Neural Network Architectures for Control
Feed forward Neural Networks (FNNs)
Kontroldeki en basit ve en yaygın kullanılan mimari, birden çok katmanlı perceptron (MLP) bir veya iki gizli katman ile ilgilidir. FNNs genellikle statik fonksiyon gereksinimlerini karşılamak için kullanılır, böylece statik veya şu anki çıktının yalnızca mevcut olan değerlere bağlı olduğu sistemler için en uygun şekilde uygundur.
Mevcut Neural Ağlar (RNNs) ve Uzun Kısa Süreli Bellek (LSTM)
Dinamik sistemler için - devlet zamanla gelişti ve önceki girişlere ve devletlere bağlıdır - şu anda ağlar doğal bir seçimdir. RNNs geçmiş sinyallerin hafızasını sağlayan içsel geri bildirimler bağlantıları vardır. Bu, onları sistem tanımlaması için etkili kılar (bir bitkinin geçiş fonksiyonunu öğrenme) ve gelecekteki çıkışların bir ufukta tahmin edilebilir bir kontrol için öngörür.
Convolutional Neural Networks (CNNs) ve Hybrid Modeller
CNN'ler öncelikle görüntü işleme için kullanılıyor olsa da, görsel geri bildirimin dahil olduğu kontrolde uygulamaları buldular. Örneğin, CNN, devletin (örneğin, bir manipülatörün son etkili pozisyonu) tahmin etmek için kamera görüntüleri de işleyebilir ve sonra ikinci bir ağ veya standart kontrol cihazı kontrol sinyali oluşturur.
Reservoir Computing / Echo State Networks (ESNs)
Son derece hızlı eğitim ve gerçek zamanlı kontrol için, eko eyalet ağları (bir tür rezervuar hesaplama) traksiyon elde etti. Fikir, yüksek boyutlu bir alana giriş sinyallerinin sabit rastgele recurrent rezervuar kullanılması ve sadece basit bir lineer çıkış katmanını eğitmektir.Eğitim son derece verimlidir ( lineer bir regresyon çözmek), online adaptive control in helpive Roboticss or real-time vibrasyon kontrolü gibi uygulamalar için uygun hale getirmektir.
Her mimari, temsil gücü, eğitim karmaşıklığı ve hesaplama maliyeti arasındaki ticarete yol açıyor. Seçim belirli kontrol problemine ve mevcut hesaplama kaynaklarına bağlıdır.
Neural Network-Based Control Strategies
Kontrol araştırmacıları, sinir ağları kontrol döngüsüne entegre eden birkaç paradigma geliştirdiler. En belirgin üç tanesi de , [[Dönetici kontrolleri [Dönetici modeli tahmin edici kontrol (NMPC)).
Doğrudan Neural Control
Doğrudan kontrolde, sinir ağı, kontrol edilen bir veri kümesi kullanarak çevrimdışı olarak gerçekleştirilir (örneğin, bir uzman veya optimal kontrol), veya online olarak güçlendirme öğrenme (RL) kullanarak online olarak yapılır.
Klasik bir örnek şu:0)neuro-kontrol[Dönetici], robotik kol yörünge takibi için izin verilen bir besleme ağı, koldaki ters dinamikleri öğrenmek için eğitilmiştir: istenen bir hız, ağ çıktıları, ortak torklar.Bir kez eğitilmiştir, ağ bir milisaniyede kontrol komutları hesaplar, yüksek bant genişliği kontrolüne izin verebilir.
Güçlendirme öğrenmesinde, sinir ağı politikaya bağlı olarak hareket eder. Ajan çevreyle etkileşime girer, ödüller toplar (veya maliyetler), ve ağırlıklarını en üst düzeyde ödüle yükseltmektedir. RL- bazlı doğrudan sinir kontrolü, dörtlü stabilizasyon, robot manipülasyonu ve oyun oynamasında başarıyla gösterilmiştir (örneğin, AlphaGo).
Neural Model Tahminsel Kontrol (NMPC)
Model tahmin edici kontrol (MPC) her seferinde online optimizasyon problemini çözer: Bitki modeline verilen, bir maliyet fonksiyonunu tahmin eden bir dizi gelecekteki kontrol eylemi hesaplar ile ilgili olarak, bir tahminsel kontrol (NMPC) ile ilgili olarak, MPC'nin kalitesi, modelin doğruluğuna bağlıdır. Neural ağları, bu modeli verilerden öğrenmek için kullanılır, geleneksel fizik tabanlı modelin değiştirilmesi.
Avantajları önemlidir: Sinir ağı modeli karmaşık yakalayabilir, güvenlik kısıtlamalarına saygı duyan doğrusal olmayan dinamikler - her örnekte optimizasyon talep edilebilir, özellikle de etkili bir çözümleyicisi ve GPU-parçalılık, MPC'nin gelecekteki konsantrasyonları ve sıcaklıklarını tahmin edebilir, böylece, bağımsız sürüş gibi hızlı süreçler için bile.
Popüler bir değişken şu ki:0)onlinear otoregresyon ile aşırılık sağlar (NARX)), sistem çıktısını geçmiş çıktıların ve geçmiş girişlerin işlevi olarak içeren bir ağ olarak kullanır.Bu model daha sonra MPC optimizasyonuna gömülüdür.
Neural Adaptive Control
Adaptif kontrol, kontrol teorisinde uzun bir geleneği vardır, kontrol parametrelerinin (geri) parametre varyasyonları ile başa çıkmak için online ayarlanır. Neural ağlar bu fikri doğrusal olmayan parametrelerin ayarlamasına olanak sağlayarak yükseltmektedir.
- [FONT:0)Yönetici bir sinir kontrolü:[Dönetici: 0 ) Kontrolörü, bazı takip veya kararlılık ölçülerini en aza indirmek için online olarak ayarlanan bir sinir ağıdır. Örneğin, Lyapunov bazlı adaptasyon yasaları kapalı-loop sisteminin, ağ öğrenildiği zaman istikrarlı kalmasını sağlamak için elde edilir.
- [[Dönetici:0)Indirect adaptive control:[Dönetici: 1 ) İki ağ kullanılır: Bir tanımlayıcı (otomatik) ve kontrolör olarak diğer kontrolcü olarak yeniden tasarlanabilir.The identifier is updated online based on input- ⁇ data, and the Controller is rekond (veya güncel) based on the detect model.
Adaptif bir sinir kontrolü, zaman zaman tasarrufu parametreleri ile sistemler için etkili olduğunu kanıtlamıştır, örneğin uçak uçuş kontrolü, aerodinamik katlar yüksek çözünürlük ve Mach numarası ile değişir veya rüzgar türbini kontrolü için farklı rüzgar hızları altında kontrol edilir.Ana zorluk, adaptasyonun dengesizliğe veya aşırı kontrol çabaya yol açmamasını sağlamakta yatıyor - Lyapunov teorisini kullanarak veya geçiş argümanlarını sıklıkla kullanır.
Kontrol için Neural Networks
Makine Öğrenme ile Offline Education
Yeterli bir temsilci veri kümesi mevcut olduğunda, sinir ağ modelleri standart denetimli öğrenme kullanarak çevrimdışı eğitim görebilir. Sistem tanımlaması için, giriş- ⁇ verileri bitkiden toplanır ve ağ gelecekteki çıkışları tahmin etmek için eğitilmiştir.
Online Eğitim ve Gerçek Zaman Adaptasyon
Çevrim dışı eğitim genellikle yetersizdir, çünkü sistem eğitim sırasında kapsamamış veya parametreleri sürüklenmemektedir. Online eğitim, tesisin sürekli uyum sağlamasına izin verir. Bu, yüksek çözünürlükli yöntemler (örneğin, stochastic gradient inziva ile çalışır) veya recursive least kareler, ancak bitkinin catheterizasyonundan kaçınmak için dikkatli bir şekilde uygulanmalıdır.
Destekli öğrenmede, eğitim doğal olarak online (veya Deep Q-Networks'te olduğu gibi) Ajan, bazı araştırma stratejisini kullanarak çevreyi araştırıyor (örneğin, epsilon-greedy) ve ardından politika ağı güncelledi. Önemli bir değerlendirmedir: birçok RL algoritmaları, gerçek donanım için pratik bir yaklaşım gerektirir.
Neural Networks in Nonlinear Control
Robotik Robot Robot Robot Robot
Robotik muhtemelen en büyük uygulama alanıdır. Neural ağ kontrolörleri ortak seviye kontrol için kullanılır, tüm duygusal manipülasyon ve lokyom. Örneğin, FLT:0) Mississippi takviye öğrenme[DDDDDDDDDDDÜT:1) dörtlülük bir şekilde yürümek ve karmaşık arazi üzerinde koşmak için oldukça sağlamdır.
Özerk Araçlar
End-toend sürüşü - bir sinir ağı doğrudan haritaları yönlendirme ve throttle komutları için - doğrudan bir sinir kontrolü uygulaması. 1980'lerin sonlarında ALVINN sistemi tarafından öncül, modern versiyonları derin CNN'leri (örneğin, NVIDIA'nın PilotNet) kullanır ve gerçek trafikte gösterilmiştir. ancak güvenlik endişeleri ve yorumlama ihtiyacı, sinir ağları algı ve planlama ile ilgili modüler yaklaşımlara doğru bir geçiş yapar, daha düşük seviyeli PID veya MPC komutları uygularken.
Süreç Kontrol ve Kimyasal Mühendislik
Lineer dinamikler kimyasal reaktörlerde, distillasyon sütunlarında ve ısı değiştiricileri. Neural MPC modelleri takip set noktalarında mükemmel performans gösterdi ve rahatsızlıkları reddetmede genellikle geleneksel doğrusal MPC'yi modelleyebilir. Örneğin, bir sinir ağı, bir reaktörün karmaşık kinetiğini güvenli olmayan koşullardan kaçınırken en iyi ısı kontrolünü mümkün kılar.
Havacılık ve Deniz Sistemleri
Uçak ve drone, yüksek doğrusal aerodinamik kuvvetler ve anlarda faaliyet göstermektedir. Neural adaptive kontrolörler, farklı deniz devletleri altında yatan kontrol verimliliğini yeniden kullanarak, sabit bir kontrol yüzeyi için kriminalize etmek gibi hatalı kontroller için uçuşa maruz kalmıştır.
Meydan Sorunları ve Açık Sorunlar
Etkileyici başarılara rağmen, birkaç engel, sinir ağ kontrolörleri güvenlik-kritik sistemlerde standart hale gelmeden önce aşılmalıdır.
- [FONT=0]Stability and Robustness Garantileri:[Dönetici:0) Bir sinir ağ kontrolörü, ağ kontrol teorisinin tüm olası koşullarda sistem kararsızlığını mümkün olmayan bir şekilde sürmeyecekler, ağın doğrusal olmayanlığı nedeniyle son derece zor. Lyapunov bazlı yaklaşımlar belirli mimariler için var olsa da, genellikle sağlam kontrol teorisi ile entegrasyon aktif bir alandır.
- [FONT:0)C ⁇ Kompleksi:[Dönetici:[Döneticiler) [Dön ağlar, iki katmanlı-katılım) tercih edilir. Model sıkıştırma ve ağ pruning gerçek zamanlı olarak, sıkı geçki kısıtlamalarla, basit ağlarla (örneğin, iki katmanlı-katılışkan) potansiyel çözümlerdir.
- [FONT=0)Data Gereksinimler:[Döneticileri: [Döneticileri: 0,3) Yüksek sadakatli modeller, veri kümeleri üzerinde tam işletim aralığı (örneğin, nükleer reaktörler), veri kıvrımları büyük bir engeldir.
- [FONT:0) Sorumluluk:[Dönetici:[Dönetici:0) Neural ağları genellikle siyah kutular olarak görülür. düzenleyici onay ve hata tanısı için, mühendisler belirli bir karar vermiş bir kontrol için neden bir kontrol için uygun hale gelmişlerdir. Açıklanabilir AI teknikleri kontrol için adapte edilir, ancak çok iş kalır.
- [FONT:0) Güvenli Keşif:[Dönetici:[Dönetici: 0 ) Online öğrenmede (özellikle RL), kontrol edici tehlikeli veya devletlere yol açan eylemleri keşfedebilir.Eğitim sırasında güvenlik kısıtlamaları uygulayan güvenli RL algoritmaları önemli bir araştırma sınırıdır.
Future Yol Tarifi
Önümüzdeki birkaç trend, bir sonraki sinir ağ tabanlı kontrol biçimini şekillendirecektir:
- [FONT:0)Fiziksel Ağlar (PINNs): ) Kısmi türevli denklemleri kaybetme işlevine dahil ederek, PINNs fiziksel yasalara saygı duyan sparse verileri ile modelleme sistemleri yapabilir.Bu, esnek yapılar veya sıvı akışı gibi dağıtılmış parametre sistemlerinin kontrolü için umut vericidir.
- [FONT:0]Meta-Learning ve az önceShot Adaptasyon: [Döneticileri yeni dinamiklere adapte edebilecek Ağlar, ancak bir avuç gözlemle büyük ölçüde, robotikte bir indirme örneği için ihtiyaç duyacaktır.
- [FONT:0) Formal Yöntemlerle Integration:) Doğrulama araçları ile (örneğin, erişilebilirlik analizi, bariyer sertifikaları) öğrenme tabanlı kontrol sistemlerinin sertifikasyonuna doğrulanabilir.
- [FONT=0)Hardware Hızlandırıcılar: [Dönetici:[Dönetici:0) Özel sinir ağ işlemcileri (NPUs) ve FPGA uygulamaları, düşük güç gömülü sistemlerde mümkün olan derin ağların gerçek zamanlı olarak ortaya çıkmasını sağlayacaktır, mikro-drones ve giyilebilir robotik uygulamaları genişletecektir.
Bu teknolojiler olgun olarak, sinir ağları kontrol mühendisinin araç kutusunda giderek daha standart bir bileşen haline gelecektir, tamamen onları değiştirmek yerine klasik yöntemleri tamamlayacaktır. Kontrol teorisi ve makine öğrenimi arasındaki sinerji, otonom sistemlerin elde edebileceği sınırları zorlamaya devam edecektir.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Neural ağları doğrusal olmayan kontrol alanını değiştirdi, daha önce lineer yöntemlerle sorunsuz bir şekilde sorunların çözümüne olanak sağlıyor. Yaklaşık karmaşık dinamikler, online adapte olun ve verilerden öğrenerek modern robotik, otonom araçlar ve ileri süreç kontrolü için vazgeçilmez hale geliyor.
Daha fazla okuma için, temelsel çalışma, sinir ağ kimlikleri ile kontrol için bkz.Ş.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.